View
844
Download
4
Category
Preview:
DESCRIPTION
Présentation effectuée lors des journées IARD de l'Institut des Actuaires du 20-21 mars 2014 à Niort Eric FROIDEFOND & Stéphane CHAPPELLIER Accès membres de l'IA : http://www.institutdesactuaires.com/gene/main.php?base=028&ep=1
Citation preview
BIG DATA et données externes
dans les modèles de tarification
CONFIDENTIAL © 2014 ACTUARIS 2
BIG DATA
BIG DATA : Quelques clés Eric FROIDEFOND – MAAF – MBA CNAM ENASS en cours
Intégration du BIG DATA dans la tarification en assurances IARD Stéphane CHAPPELLIER – ACTUARIS – ISG CEA IA
CONFIDENTIAL © 2014 ACTUARIS
Les opportunités pour l’assurance 2
La gouvernance des données 5
3 Le fonctionnement
Conclusion 6
Le Big Data 1
Les moyens techniques pour le Big Data 4
BIG DATA : Quelques clés
3
CONFIDENTIAL © 2014 ACTUARIS
VOLUME VELOCITE
VARIETE
VALEUR
D’après le Gartner, le « Big Data » peut se définir avec le concept des 3V : Volume des données disponibles Variété : données semi structurées voire non structurées complexes et de tous types
(textes, images, …) Vélocité : fréquence à laquelle les données sont générées, capturées et partagées
(nombre de tweets à la seconde par exemple)
BIG DATA : Définition
4
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Une avalanche de données
5
5
CONFIDENTIAL © 2014 ACTUARIS
Les Produits Marketing & Ventes
Gestion des contrats
Gestion Sinistres
Gestion des Actifs
Nouveaux marchés
Nouveaux produits
Connaissance des risques et meilleure tarification
Optimisation des produits Gestion de la performance
Segmentation plus fine
Nouveaux clients
Vente multi-canal
Détection résiliation
Optimisation et ciblage des campagnes commerciales « just in time »
Optimisation de la gestion des réseaux de prestataires
Détection des fraudes
Prévention et mitigation des risques
Gestion des paiements
Stratégie de placement
Gestion de Portefeuille
Gestion des actifs et passifs
Modélisation des risques
Tarification temps réel
BIG DATA : Principales opportunités pour l’assurance
6
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Fonctionnement
7
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Intégration
8
CONFIDENTIAL © 2014 ACTUARIS
Calcul du nombre de tweets par utilisateur
BIG DATA : Zoom sur le MapReduce
9
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Moyens techniques (le cloud computing)
10
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : La visualisation
11
CONFIDENTIAL © 2014 ACTUARIS
Exactitude
Objectivité
Plausibilité
Réputation
Pertinence
Quantité appropriée des informations
Actualité
Exhaustivité
Représentation concise
Représentation cohérente
Interprétabilité
Compréhensible
Facilité de manipulation
Disponibilité / Opportunité
Restriction d’accès
Les dimensions de la qualité des données
Qualité intrinsèque Qualité liée au contexte et à la représentation
Qualité liée à la sécurité et à l’accessibilité
BIG DATA : Une gouvernance des données obligatoire
12
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Conclusion
13
Support Client
CLIENT
Innovation
Etudes Marketing
Produits & Services assurance
Analyses & Etudes
Stratégie
CONFIDENTIAL © 2014 ACTUARIS
Positionnement tarifaire et données 2
Assurances et capteurs / réseaux sociaux 5
3 Quel apport de données externes ?
Conclusion 6
Tarification prime pure et données 1
Challenge BIG DATA : connectabilité & algorithmes 4
BIG DATA dans la tarification en assurances IARD
14
CONFIDENTIAL © 2014 ACTUARIS 15
Tarification prime pure et données
Etablissement prime pure : recherche de données permettant d’expliquer la sinistralité grâce au : GLM Classification pour zonier et véhiculier
Données traditionnellement utilisées pour l’établissement de la prime pure limitées : Données essentiellement internes Faible recours à des données externes
Mouvement vers l’utilisation de plus données : Variables croisées : âge x sexe (maintenant banni) Interne : croisement de données entre produits :
Auto / MRH : âge x propriétaire/location résidence principale : variable tarifaire en auto
Données bancaires / prêt et données assurances
Externe : INSEE : densité, éloignement des
services essentiels… Données véhicules : SIV
Existe-t-il des données BIG DATA permettant de mieux expliquer la sinistralité que les données existantes ?
CONFIDENTIAL © 2014 ACTUARIS 16
Positionnement tarifaire et données
Positionnement tarifaire : recherche de données permettant d’expliquer le choix de l’assuré : Modèle d’élasticité au prix de la demande Positionnement concurrentiel Algorithme de « valeur client » Optimisation tarifaire
Ces modèles très utilisés au Royaume-Uni, sont encore très peu utilisés en France, néanmoins cela devrait évoluer : Loi Hamon potentiel effet ciseau
Comment fidéliser le portefeuille ? Comparateurs potentiel anti-sélection
Comment acquérir les profils à valeur ajoutée ? Ces modèles sont très gourmands en données :
Données connaissance du risque Données relation client Données flux primes / sinistres avec effet
retard Existe-t-il des données BIG DATA permettant
de mieux expliquer la propension des assurés à souscrire / renouveler?
CONFIDENTIAL © 2014 ACTUARIS 17
Quel apport de données externes ?
L’utilisation de données externes (sans parler de BIG DATA) est actuellement faible et limité : Données INSEE, données délinquance (CartoCrime) … Données Véhicules : SRA, constructeurs, SIV …
Ces données permettent d’acquérir des variables complémentaires qui permettent de qualifier plus finement le risque qu’à partir des données transmises par le réseau et/ou l’assuré : La ville de résidence est-elle en zone rurale peu peuplée ou en zone urbaine ?
Est-ce un lieu où la criminalité est faible ou élevée ? Le véhicule est-il une :
citadine : pour aller faire les course le week-end ? sportive : pour épater les copains et sortir en boîte ? familiale : pour partir en vacances avec la famille ? commerciale : pour faire des tournées en province ?
Tout apport d’information permettant de renforcer la caractérisation d’un profil de risque est utile pour éviter l’anti-sélection
CONFIDENTIAL © 2014 ACTUARIS 18
Challenge BIG DATA : connectabilité & algorithmes
Il y a plusieurs problèmes majeurs à l’utilisation des données BIG DATA en assurance : Connectabilité : il faut pouvoir relier les données à un
client en portefeuille ou en affaires nouvelles Algorithme : il faut pouvoir disposer d’un algorithme
permettant de valoriser ces données Quelle influence ce critère a sur la sinistralité ou le
comportement de souscrire / renouveler ? Pour ce critère, quelles sont les modalités qui
permettent de connaitre l’intensité de cette influence ?
Pouvoir prédictif suffisant : Ce critère n’était pas déjà capturé par d’autres
variables déjà connues Ce critère est-il plus puissant / prédictif que les
variables déjà connues ?
Est-ce que l’investissement nécessaire le mérite ?
CONFIDENTIAL © 2014 ACTUARIS 19
Assurance et capteurs
Port OBD-II Source : VAG
Capteur de données physiologiques Source: TF1
Domotique Source: Tech-Securité
Parmi les données BIG DATA, il existe une catégorie qui regroupe les qualités recherchées permettant de mieux caractériser le risque. Plutôt que de se baser sur la recherche de variable permettant de traduire un comportement à risque, cette catégorie cherche à capturer le comportement à risque directement à la source
Les capteurs :
Auto : OBD-II comportement de conduite : freinage brusque, coups de volant
intempestifs MRH : Domotique
comportement des occupants Santé : capteur de données physiologiques
activité physique, intellectuelle…
De nombreux handicaps empêchent l’exploitation de ces données Au-delà d’obtenir des algorithmes permettant de mesurer le comportement
et son influence sur le coût du risques Prix de l’installation, transmission des données chute de prix attendue Protection de la vie privée algorithme embarqué, transmission du score
CONFIDENTIAL © 2014 ACTUARIS
Il semble difficile de trouver des données pertinentes qui traduisent un comportement à risque de façon plus pertinente que celles déjà utilisées
Par contre, les réseaux sociaux peuvent apporter beaucoup concernant le positionnement tarifaire :
Sensibilité, attentes (écoresponsable, développement durable…) Réceptivité aux messages marketing Réactivité face aux changements Fidélité Elasticité au prix…
Du fait de cet apport, la chaine de répartition de la valeur va-t-elle se recomposer pour prendre en compte l’apport des réseaux sociaux dans l’équation ?
Réseaux sociaux réseaux affinitaires ? Réseaux sociaux apporteurs d’affaires / comparateurs / distributeurs ?
20
Assurance et réseaux sociaux
CONFIDENTIAL © 2014 ACTUARIS 21
Conclusion
Conjoncture favorable aux assurés et défavorable aux assureurs : La « génération internet » rentre sur le marché : zapping Possibilité de zapper d’assureurs plus facilement (Loi Hamon, comparateurs) Pouvoir d’achat en baisse suite à la crise Processus tarifaire « français » en retard sur les autres marchés Opportunités : Les assurés n’attendront pas que les assureurs aient
sophistiqué leur processus tarifaire pour changer d’assureur Tirer partie des enseignements reçus sur les autres marché
pour se positionner / différencier Un challenge pour les actuaires
Expérimentations Utilisation de données et de modèles moins bien maitrisés Evolutions plus rapides et plus fréquentes des processus tarifaire Importance cruciale d’un suivi et d’une réactivité aux changements de tendances
Source : L’Argus de l’Assurance
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Bibliographie
VINT Research report 2 of 4 – Big Social - Predicting behavior with Big Data – SOGETI
Site PEGASUSDATA.COM
Wikipedia
Livre blanc ISACA : BIG DATA : Impacts et Avantages
http://www.journaldunet.com/developpeur/outils/les-solutions-du-big-data/principe-de-fonctionnement-de-mapreduce.shtml
http://datascience.bluestone.fr/blog/les-origines-les-grands-principes-du-big-data
VINT Research report 1 of 4 – Creating clarity with Big Data – Jaap Bloem, Menno Van Doorn – Sander Duivestein – Thomas Van Manen – Erik Van Ommeren - SOGETI
Basé sur une analyse du Boston Consulting Group (BCG)
IDC (International Data Corporation)
22
CONFIDENTIAL © 2014 ACTUARIS
Les intervenants
23
Stéphane CHAPPELLIER Actuaire IA Responsable du Pôle IARD Tél. : +33 (0)1 56 89 07 70 Direct : +33 (0)1 56 89 30 72 Fax : +33 (0)1 56 89 07 71 E-mail : stephane.chappellier@actuaris.com
Eric FROIDEFOND Direction Systèmes d’Information Manager Entité DSI Professionnels MBA CNAM – ENASS en cours Direct : +33 (0)5 49 17 55 90 Port : +33 (0)6 83 18 76 53 E-mail : eric.froidefond@maaf.fr
Recommended